Clinici analyseren sinds jaar en dag parameters van grote groepen mensen om gemiddelde uitkomsten van ingrepen en behandelingen in kaart te brengen. Deze gegevens (‘clinical outcomes’ genaamd) zijn zeer waardevol om zorgpaden bij te sturen en nieuwe patiënten transparant te kunnen informeren over mogelijke bijwerkingen en slaagkansen van een behandeling of ingreep. Dr. Schatteman, uroloog in het OLV-ziekenhuis in Aalst ging samen met LynxCare aan de slag om gegevens sneller inzichtelijk te maken. De uitkomst was een oplossing die op Microsoft Azure draait en van AI (Artificiële Intelligentie) gebruik maakt om ongestructureerde data uit patiëntendossiers in bruikbare en leesbare gegevens om te zetten. Dankzij deze innovatie beschikt het medisch personeel binnen de urologie-afdeling van het ziekenhuis over quasi real-time accurate klinische uitkomsten.
Het Onze-Lieve-Vrouwziekenhuis in Aalst startte onder leiding van uroloog Dr. Peter Schatteman een grootschalig project om op basis van gegevens van meer dan 800 patiënten het proces voor de aanmaak van clinical outcomes te vergemakkelijken. De bedoeling was om enerzijds sneller meer inzicht te krijgen in de eigen prestaties van het team waardoor de afdeling haar werking sneller kon bijsturen en anderzijds vanaf nu nieuwe patiënten beter te kunnen informeren. Het OLV-ziekenhuis in Aalst werkt voor dit project zeer nauw samen met Italiaanse collega’s. Deze Italiaanse clinici willen net zoals het OLV in Aalst in de toekomst inzetten op data mining (het automatisch verzamelen van data) binnen hun elektronische patiëntendossiers via AI en in de cloud.
Het grote voordeel van de oplossing van LynxCare ligt hem in de combinatie van AI en de schaalbaarheid van Microsoft Azure. Door ongestructureerde data met AI te analyseren, worden gegevens uit patiëntendossiers op een snelle en zeer accurate manier in concrete, bruikbare én leesbare uitkomsten omgezet. Een ander voordeel van het werken met de cloud is dat gegevens real-time door clinici kunnen worden opgevraagd en geconsulteerd terwijl databescherming wordt gegarandeerd. Daarnaast zorgt het gebruik van AI er ook voor dat het manueel ingeven van gegevens die voor het aanmaken van de clinical outcomes wordt gebruikt, tot het verleden behoort. Hierdoor kan het zorgpersoneel zich nog meer op haar zorgtaak focussen, en worden fouten die bij het manueel overtikken van gegevens worden gemaakt, tot een minimum herleid.
Het opzetten van een dergelijk systeem vraagt inzet van betrokken clinici. AI en ‘machine learning’ hebben een leerproces waarbij het algoritme moet worden getraind om ingevoerde gegevens correct te interpreteren. Elk patiëntendossier ziet er immers anders uit en het systeem moet als het ware worden getraind om juiste conclusies te trekken. Daarenboven wordt er ook van clinici een inspanning gevraagd bij het invoeren van gegevens in hun patiëntendossiers. Hoe uniformer data in het dossier wordt ingevoerd, hoe beter AI deze gegevens kan interpreteren. Deze inzet zal op termijn in nog betere uitkomsten resulteren, wat dan weer in betere behandelingen resulteert.
Tijdens een test van het algoritme heeft het OLV de door AI geïnterpreteerde gegevens met menselijk geïnterpreteerde gegevens vergeleken. Hieruit is gebleken dat beide versies quasi identiek waren met een accuraatheid van 95%. Het is naar ieders verwachting dat door het extra trainen van het algoritme deze accuraatheid nog zal toenemen.
Het verhaal van uroloog Dr. Peter Schatteman toont aan dat de door LynxCare ontwikkelde technologie een belangrijke stap vooruit is voor een efficiënter zorgsysteem. De ontwikkelde oplossing kan zonder probleem in andere afdelingen en ziekenhuizen worden uitgerold. Zo zorgt technologie voor een ontlasting van het zorgpersoneel, dat zich op haar beurt meer op haar hoofdtaak kan richten: de beste zorg verlenen aan patiënten.
